重庆理工大学学报2023，Vol.37Issue(17) ：40-48.DOI:10.3969/j.issn.1674-8425(z).2023.09.005

几种机器学习算法的锂电池SOC估计研究

Research on SOC estimation of lithium batteries using several machine learning algorithms

张志冬 李云伍 李杨柳 梁新成
重庆理工大学学报2023，Vol.37Issue(17) ：40-48.DOI:10.3969/j.issn.1674-8425(z).2023.09.005
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据

几种机器学习算法的锂电池SOC估计研究

Research on SOC estimation of lithium batteries using several machine learning algorithms

张志冬 1李云伍 1李杨柳 2梁新成1
扫码查看

作者信息

  • 1. 西南大学 工程技术学院,重庆 400715
  • 2. 西南大学 计算机信息与科学学院软件学院,重庆 400715
  • 折叠

摘要

荷电状态(SOC)是锂电池管理系统的重要参数,对其能否准确估计关系到电池系统的优化和使用寿命.为了消除传统方法在SOC估计精度、实时性等方面的不足,提出了一种改进的估计锂电池SOC的LightGBM算法.在Panasonic-18650PF-Data公开数据集的基础上应用其进行锂电池SOC估计,减小数据训练误差,并评估机器学习模型的泛化误差.将随机森林、支持向量机、线性回归及神经网络等常用估计模型算法作为对比.数据表明,改进的Light-GBM算法估计时间为随机森林的1/22、支持向量机的1/88 及神经网络的1/1 330,估计误差低于0.06.研究表明,该方法初步解决了现有锂电池SOC估计方法速率慢、拟合率低的问题,并拓展了该算法新的应用场景.

关键词

锂电池/荷电状态(SOC)/LightGBM算法/机器学习

Key words

lithium-ion battery/state of charge(SOC)/LightGBM algorithms/machine learning

引用本文复制引用

基金项目

重庆市科委项目(cstc2021jcyjmsxmX1062)

出版年

2023
重庆理工大学学报
重庆理工大学

重庆理工大学学报

CSTPCD北大核心
影响因子：0.567
ISSN：1674-8425
参考文献量14
段落导航相关论文